北京图像识别
图像识别是一项涉及计算机视觉和模式识别的技术，它通过对图像进行分析和解释，将图像中的特定对象或特征识别出来。作为图像识别专业的从业者，主要负责开发和实施相应的算法和模型，用于处理图像数据，提取关键特征，并进行分类、识别和分析。在职位中，需要熟悉各种图像处理技术和机器学习算法，能够设计和优化图像识别模型，并从大量图像数据中挖掘有用信息。此外，还需要对图像处理平台和软件开发工具有深入的了解，以确保图像识别系统的效率和准确性。图像识别职位通常要求具备扎实的编程能力、数学基础和问题解决能力，能够灵活应用不同的图像识别技术，推动计算机视觉领域的发展与创新。
薪酬概览
平均月薪
¥28200
中位数 ¥0 ｜ 区间 ¥21400 - ¥35000
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
71.4% 人群薪酬落在 15-30k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
5月新增岗位
3
对比上月：岗位减少4
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 3-5年 | 4 | 100% |
热招职位
岗位定位
负责智能驾驶域控端侧应用层软件开发、功能集成、业务逻辑落地、实车调试与量产交付。更具体的，负责端上车-云连接Agent模块开发，建立车-云高可靠、高性能连接，确保高可达性和高性能上、下行传输，是自动驾驶功能落地的核心工程岗位，主打业务逻辑、状态机、跨模块通信、端侧性能优化、量产稳定性。
岗位职责
1. 智驾应用层业务开发：负责高速NOA、城市NOA、自动泊车APA/RPA、循迹倒车、车道保持、主动刹车等辅助驾驶/自动驾驶功能的应用层逻辑开发、状态机管理、工况跳转、权限管理、故障降级策略落地。
2. 跨模块集成与协议对接：对接感知、定位、预测、规划、控制、底盘、车身、座舱HMI、导航、语音模块，完成跨进程/跨域通信、协议解析、数据校验、状态同步、指令下发与反馈，保障端侧全链路稳定运行。
3. 端侧性能与实时性优化：负责域控端侧软件资源管控，优化CPU/GPU/内存占用、线程调度、时延抖动、异常容错，解决卡顿、丢帧、状态跳转异常、偶现失效等量产问题，满足车载毫秒级实时性要求。
4. 台架/实车调试与问题闭环：参与台架联调、场地试车、道路路测，定位并闭环各类工况异常、边界case、偶现bug，输出调试日志、问题复盘与优化方案，支撑版本迭代与OTA升级。
5. 量产工程化与质量管控：遵循车载开发规范（ASPICE/AUTOSAR/ROS2），完成模块设计、编码、单元测试、集成测试、文档沉淀、代码评审，保障软件可量产、可维护、可迭代。
6. 版本迭代与需求落地：承接产品功能需求，拆解技术方案，跟进需求落地、版本合入、回归验证，支撑年度功能迭代与OTA特性上线。
1、全面负责自动驾驶相关研发过程中软件/算法/硬件等各领域开发过程中的项目管理（包括但不限于对成本、质量、资源的管理）；
2、负责联动多部门及角色确认实施方案，收集和明确需求，高效任务拆解，形成版本开发计划，并对执行进度进行控制和管理；
3、负责管理、协调部门内部各领域间和关联部门间的交互和输入输出管理，确定上下游依赖和开发排期，牵头解决跨部门跨领域的重难点问题；
4、不断优化项目管理流程与工具，提高跨部门、跨地域、跨公司项目团队的执行效率；
1、参与多模态大模型VLM在自动驾驶等业务场景中的量产落地，负责算法设计、训练、优化及工程化部署；
2、具备大模型训练经验，能够通过数据驱动的方法持续提升模型核心指标，优化图像、文本、语音等跨模态信息的融合方案，保障模型在嵌入式或云端环境中的推理效率与稳定性；
3、参与模型量化部署、算法策略设计等环节，能够解决项目落地中遇到的实际问题，配合工程团队完成模型压缩、加速、边缘端部署等量产关键工作，平衡性能与精度；
1.负责雷达测试场景定义. 实现及评价；
2.负责雷达场地及道路试验系统的集成. 调试及测试数据记录；
3.负责雷达系统的功能及性能测试用例及其实施方案设计；
4.负责雷达传感器测试方案的设计及评价；
5.负责雷达功能的主客观评价。
研究方向：半监督、无监督、大规模预训练模型的在ASR领域的应用研究。探索课题包括但不限于：
1、探索利用大规模互联网、海量业务数据进行数据挖掘，探索低成本构建高质量训练数据的方法（类似wenetspeech、gigaspeech）；
2、研究利用大规模预训练模型改善识别效果、鲁棒性的高效可落地方法；
3、尝试利用大语种（有丰富的训练数据）、预训练模型，低成本快速扩展ASR支持的语言、方言的技术方法。
我们正在寻找一位自动驾驶研发自有车队采集负责人,负责与公司司合规团队合作,规范化整体数据采集和运营流程。
1、您将负责梳理对应端侧和云侧的研发任务,制定研发排期,并并进行宣贯工作。
2、您需要设计采集的标准流程,确保数据上传符合下游预期,包括数据权限限隔离、合规性和高效性。
3、需要能够将该部分的工作快速进行标准化和工具化推动。包括但不限制于控制数居质量,交付速度等方面,并有能力购买或设计对应需求到相应的工具。
1.负责研发深度学习算法框架和工具，提升业务如自动驾驶等场景的模型研发效率；
2.负责优化框架性能，支持高效的大规模模型训练，提升业务模型的模型迭代效率；
职位描述：
基于深度学习打造不依赖高精度地图的定位和实时地图系统，包括模型设计、训练、部署，车上系统反馈和形成数据闭环设计和构建深度神经网络模型，用于对传感器数据进行特征提取、数据融合和位置估计处理和分析大规模的自动驾驶系统相关的Camera、Lidar、GPS和IMU等各种传感器数据，利用深度学习技术进行特征提取、数据建模和预测分析进行深度学习模型的调优和调参，以提高模型的性能、效率和鲁棒性
任职要求：
熟练掌握C++、Python中至少一种语言，有较好的深度学习功底和工程素养深刻理解深度学习相关知识，有大规模深度学习模型训练部署实践经验者优先熟悉地图定位相关传感器数据处理和融合技术，有自动泊车、地图生产和融合定位等项目经验者优先热爱自动驾驶行业，勇于探索，挑战高精地图领域最前沿的技术问题积极主动，善于发现并解决问题，有良好的沟通能力和团队意识
研究方向：
- 大模型训练方法和模型框架优化
- 大模型知识和推理能力研究
- 大模型高性能推理研究
- 领域大模型研究
- 跨模态大模型研究
- 文本生成任务的质量评估办法研究
- 融合外部知识的文本生成研究
职位概述：
作为平头哥数据中心产品线深度学习算法框架高级技术专家，将负责设计、开发和优化深度学习算法框架，提升算法模型在PTG AI芯片上的运行效率和性能。跨团队协作，确保高质量的代码和技术实现，同时为团队提供技术指导。
主要职责：
算法框架适配与开发：
对开源AI软件框架的内部实现有深入理解，能够快速将广大开源软件适配到 AI 芯片上，同时确保性能达到最优。同时根据公司AI芯片的差异化的功能，在框架层面实现软硬件结合的解决方案。
性能优化：
分析和优化深度学习模型的训练和推理性能，提升计算效率和资源利用率。
根据芯片硬件特点使用多种技术手段，包括分布式计算、模型压缩和量化，优化算法在实际应用中的表现。
跨团队协作：
与其他团队（如编译器、驱动、客户支持等）紧密合作，确保技术指标的达成，并实现符合用户需求和市场趋势的功能。
为团队成员提供技术指导和支持，推动团队技能的持续提升。
技术研究与创新：
跟踪深度学习和机器学习领域的最新研究动态，探索并实施新算法和技术。
参与编写技术文档和论文，促进技术的分享与传播。